昇思25天学习打卡营第2天|张量

张量是MindSpore网络运算中的基本数据结构

评：

在计算机基本知识里，有数据结构与算法。本质是用合适的计算机能表示和理解的方式（数据结构）描述事物，以更快、更省空间地进行计算（算法实现）。

在数据处理和信号处理、人工智能领域，向量化编程是一种思想，通过用数组、矩阵、张量进行数据表示，进而运算。因而线性代数起着一定作用，因为就是行向量、列向量、矩阵的各种运算和研究，而数组可以看成向量 ，张量本质即为AI编程框架的多维数组。

创建张量

张量的创建方式有多种，构造张量时，支持传入Tensor、float、int、bool、tuple、list和numpy.ndarray类型。

• 根据数据直接生成

  可以根据数据创建张量，数据类型可以设置或者通过框架自动推断。

• data = [1, 0, 1, 0]
  x_data = Tensor(data)
  print(x_data, x_data.shape, x_data.dtype)

  

• 从NumPy数组生成

  可以从NumPy数组创建张量。

• np_array = np.array(data)
  x_np = Tensor(np_array)
  print(x_np, x_np.shape, x_np.dtype)

  

• 使用init初始化器构造张量

  当使用init初始化器对张量进行初始化时，支持传入的参数有init、shape、dtype。

  • init: 支持传入initializer的子类。如：下方示例中的 One() 和 Normal()。

  • shape: 支持传入 list、tuple、 int。

  • dtype: 支持传入mindspore.dtype

  from mindspore.common.initializer import One, Normal
  
  # Initialize a tensor with ones
  tensor1 = mindspore.Tensor(shape=(2, 2), dtype=mindspore.float32, init=One())
  # Initialize a tensor from normal distribution
  tensor2 = mindspore.Tensor(shape=(2, 2), dtype=mindspore.float32, init=Normal())
  
  print("tensor1:\n", tensor1)
  print("tensor2:\n", tensor2)

• 
• 继承另一个张量的属性，形成新的张量

张量的属性

从数据结构的角度理解，张量是一种结构体/类，因而有各种属性。

张量的属性包括形状、数据类型、转置张量、单个元素大小、占用字节数量、维数、元素个数和每一维步长。

• 形状（shape）：Tensor的shape，是一个tuple。

• 数据类型（dtype）：Tensor的dtype，是MindSpore的一个数据类型。

• 单个元素大小（itemsize）： Tensor中每一个元素占用字节数，是一个整数。

• 占用字节数量（nbytes）： Tensor占用的总字节数，是一个整数。

• 维数（ndim）： Tensor的秩，也就是len(tensor.shape)，是一个整数。

• 元素个数（size）： Tensor中所有元素的个数，是一个整数。

• 每一维步长（strides）： Tensor每一维所需要的字节数，是一个tuple。

x = Tensor(np.array([[1, 2], [3, 4]]), mindspore.int32)

print("x_shape:", x.shape)
print("x_dtype:", x.dtype)
print("x_itemsize:", x.itemsize)
print("x_nbytes:", x.nbytes)
print("x_ndim:", x.ndim)
print("x_size:", x.size)
print("x_strides:", x.strides)

知道有什么，调试的使用类似的用print

张量索引

Tensor索引与Numpy索引类似，索引从0开始编制，负索引表示按倒序编制，冒号:和 ...用于对数据进行切片。

张量运算

张量之间有很多运算，包括算术、线性代数、矩阵处理（转置、标引、切片）、采样等，张量运算和NumPy的使用方式类似，下面介绍其中几种操作。

普通算术运算有：加（+）、减（-）、乘（*）、除（/）、取模（%）、整除（//）。

x = Tensor(np.array([1, 2, 3]), mindspore.float32)
y = Tensor(np.array([4, 5, 6]), mindspore.float32)

output_add = x + y
output_sub = x - y
output_mul = x * y
output_div = y / x
output_mod = y % x
output_floordiv = y // x

print("add:", output_add)
print("sub:", output_sub)
print("mul:", output_mul)
print("div:", output_div)
print("mod:", output_mod)
print("floordiv:", output_floordiv)

Tensor与NumPy转换

Tensor可以和NumPy进行互相转换。

Tensor转换为NumPy

与张量创建相同，使用 Tensor.asnumpy() 将Tensor变量转换为NumPy变量。

NumPy转换为Tensor

使用Tensor()将NumPy变量转换为Tensor变量。

稀疏张量

CSRTensor

CSR（Compressed Sparse Row）稀疏张量格式有着高效的存储与计算的优势。其中，非零元素的值存储在values中，非零元素的位置存储在indptr（行）和indices（列）中。各参数含义如下：

• indptr: 一维整数张量, 表示稀疏数据每一行的非零元素在values中的起始位置和终止位置, 索引数据类型支持int16、int32、int64。

• indices: 一维整数张量，表示稀疏张量非零元素在列中的位置, 与values长度相等，索引数据类型支持int16、int32、int64。

• values: 一维张量，表示CSRTensor相对应的非零元素的值，与indices长度相等。

• shape: 表示被压缩的稀疏张量的形状，数据类型为Tuple，目前仅支持二维CSRTensor。

CSRTensor的详细文档，请参考mindspore.CSRTensor。

下面给出一些CSRTensor的使用示例：

COOTensor

COO（Coordinate Format）稀疏张量格式用来表示某一张量在给定索引上非零元素的集合，若非零元素的个数为N，被压缩的张量的维数为ndims。各参数含义如下：

• indices: 二维整数张量，每行代表非零元素下标。形状：[N, ndims]， 索引数据类型支持int16、int32、int64。

• values: 一维张量，表示相对应的非零元素的值。形状：[N]。

• shape: 表示被压缩的稀疏张量的形状，目前仅支持二维COOTensor。

COOTensor的详细文档，请参考mindspore.COOTensor。

下面给出一些COOTensor的使用示例：

下一篇，开始简化些（偷懒），把核心心得和流程写上，代码细节与接口等等外引连接之类的。